基于智能路灯的大气污染物溯源排查方法、终端及系统

1.本发明属于环境监测装置领域，具体涉及一种基于智能路灯的大气污染物溯源排查方法、终端及系统。


背景技术：

2.由于化工园区、公园、社区这些场所附近具有大量普通百姓，在发生事故时需要快速疏散，且在处理事故时对即时环境信息有着极高的要求，使用更灵活高效的装置和技术进行检测代替人工深入一线进行探查成为了亟待解决的重要问题。
3.现有的污染物检测系统大多需要依靠人力，现有的智能路灯大多只具有pm2.5等大气污染物的检测。而现有的救援机器人虽然功能较为完善，但是仍然需要提前对救援环境进行基本感知，功能也比较单一。
4.综上可知，现有技术在以上使用场景中存在一定的缺陷和不便，所以有必要加以改进。


技术实现要素：

5.本发明所要解决的技术问题是：提供一种基于智能路灯的大气污染物溯源排查方法，解决了现有技术中区域性大气污染检测技术功能单一、速度慢且效率低的问题。
6.本发明为解决上述技术问题采用以下技术方案：
7.一种基于智能路灯的大气污染物溯源排查方法，包括如下步骤：
8.步骤1、应用安装在智慧灯杆上的感知模块获取每个智慧灯杆周围的各类传感器数据，并赋予以时间戳和位置戳，构建基于智慧灯杆的分布式感知网络；
9.步骤2、每个智慧灯杆构建原始卷积神经网络模型，结合自身传感器数据对各自灯杆的卷积神经网络模型进行深度学习；
10.步骤3、应用基于深度学习的高斯修正模型对邻居智慧灯杆的传感器数据进行预测，获取并输出周边大气浓度及污染源预测信息；
11.步骤4、根据邻居传感器数据值更新自身卷积神经网络模型的训练权值，应用当前自身传感器数据对各自的卷积神经网络模型进行训练，并更新基于深度学习的高斯修正模型内参数；
12.步骤5、重复执行步骤3至步骤4。
13.所述传感器数据包括但不限于位置、时间、风速、风向、降雨、空气湿度、各类污染物浓度。
14.所述基于深度学习的高斯修正模型的具体表示如下：
15.ri＝(b,vi,c
ij
)，其中，ri为智慧灯杆di与污染物扩散中心的相对距离，b＝(vi,hi,f)是基于深度学习的高斯修正模型内参数，vi为智慧灯杆di检测的风速，hi为智慧灯杆di检测的湿度，f为是否降雨，c
ij
为智慧灯杆di检测的第j种污染物浓度，i、j均为正整数。
16.根据如下公式计算单位时间内污染物排放量q：
17.q＝2πc
ij
*v*σy*σz/{e^(-y2/2σ
y2
)*{e^[-(z-h)2/2σ
y2
]+e^[-(z+h)2/2σ
z2
]}}
[0018]
其中，v为排放口处平均风速，σy为横向扩散系数，σz为垂直扩散系数，y为污染物扩散中心到下风方向的最近的灯杆的水平距离，z为y所要求的灯杆的离地高度，h为污染物扩散中心的高度。
[0019]
所述基于深度学习的高斯修正模型内参数b的初始值为历史大数据收集，训练过程中为动态更新的值，根据邻居传感器数据计算获取，并且在每完成一轮训练后，均获取距离最近的至少3个智慧灯杆的当前传感器数据进行验证。
[0020]
为了进一步解决区域性大气污染检测设备功能单一，检测不方便的问题，本发明还提供一种基于智能路灯的大气污染物溯源排查终端及系统，具体的技术方案如下：
[0021]
一种基于智能路灯的大气污染物溯源排查终端，包括数据处理模块和通讯模块，所述数据处理模块执行所述的大气污染物溯源排查方法；所述通讯模块用于实现数据交互。
[0022]
一种基于智能路灯的大气污染物溯源排查系统，包括可视化平台和若干大气污染物溯源排查终端，其中，可视化平台作为中心服务器，大气污染物溯源排查终端作为子服务器；所述中心服务器与所有子服务器之间进行数据交互，每个子服务器均具有独立分析大气污染数据及与邻居子服务器进行自组网的功能。
[0023]
所述中心服务器控制各子服务器的开关，并向各子服务器提供初始的全局模型；工作时，接收各子服务器发送的数据，并进行处理，向各子服务器发送训练权重值；
[0024]
所述子服务器收集自身带有时间戳和空间戳的大气数据，接收临近子服务器的检测数据，根据中心服务器提供的训练权重值和临近子服务器的检测数据，计算并调整训练权重，重新训练并更新模型内参数，将处理好的数据模型返回至中心服务器。
[0025]
所述中心服务器接收多个子服务器的污染源预测信息，构建联邦学习神经网络模型，对智慧灯杆覆盖范围污染源进行全局搜索，确定最终污染源位置，并向各智慧灯杆的卷积神经网络模型反馈结果。
[0026]
所述子服务器向中心服务器发送数据时，首先将数据压缩为数据包的形式，再通过多次发送至中心服务器。
[0027]
与现有技术相比，本发明具有以下有益效果：
[0028]
1、该方法赋予各类传感信息以时间戳与位置戳，并基于tcp/ip握手协议实现分布式感知网络的数据共享交互，在高斯风点源扩散模型基础上，结合每个灯杆的多模传感大数据构建深度学习模型，进行周边浓度估计与污染源预测追踪，通过邻居节点灯杆的多模传感大数据对各自灯杆原始深度学习模型进行训练，提升周边浓度估计与污染源预测追踪的精准度。
[0029]
2、通过在智能路灯上加装相关传感器，缩短对于信息的获取、处理、决策的链条，提高执行控制的实时性，同时利用智能路灯的便利性，方便实时检测提供环境数据。
[0030]
3、子服务器和中心服务器实时进行数据交互，中心服务器为子服务器提供初始模型并反馈训练权重，使得子服务器的对大气污染的检测预测更加准确。
[0031]
4、该自动检测算法及终端系统可用于化工园区、公园、社区等不同场所的环境检测。能够快速对污染物进行定位，节约人力物力，保障环境安全。
附图说明
[0032]
图1为本发明基于智能路灯的大气污染物溯源排查系统的模块连接示意图。
[0033]
图2为本发明基于智能路灯的大气污染物溯源排查系统的地理位置分布示意图。
[0034]
其中，图中的标识为：01-28-普通灯杆；001-004-智慧灯杆。
具体实施方式
[0035]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0036]
本发明涉及一种基于智慧灯杆的大气污染物分布式监测系统及溯源排查方法，包括智慧灯杆感知模块、5g传输模块、模型推算模块、gis可视化平台。智慧灯杆感知模块包括高精度定位传感器、风速风向传感器、污染物监测仪。用于采集耦合经纬度坐标的大气污染传感信息；5g传输模块包括部署在智慧灯杆的通讯基站、同步时钟源与智能网关，用于传输统一时间戳的大气污染传感信息与经纬度坐标信息；模型推算模块用于构建基本风场模型；通过监测数据拟合污染物范围模型；推算污染物扩散中心；gis可视化平台用于直观输出污染源三维位置。
[0037]
一种基于智能路灯的大气污染物溯源排查方法，包括如下步骤：
[0038]
步骤1、应用安装在智慧灯杆上的感知模块获取每个智慧灯杆周围的各类传感器数据，并赋予以时间戳和位置戳，构建基于智慧灯杆的分布式感知网络；
[0039]
步骤2、每个智慧灯杆构建原始卷积神经网络模型，结合自身传感器数据对各自灯杆的卷积神经网络模型进行深度学习；
[0040]
步骤3、应用基于深度学习的高斯修正模型对邻居智慧灯杆的传感器数据进行预测，获取并输出周边大气浓度及污染源预测信息；
[0041]
步骤4、根据邻居传感器数据值更新自身卷积神经网络模型的训练权值，应用当前自身传感器数据对各自的卷积神经网络模型进行训练，并更新基于深度学习的高斯修正模型内参数；
[0042]
步骤5、重复执行步骤3至步骤4。
[0043]
一种基于智能路灯的大气污染物溯源排查终端，包括数据处理模块和通讯模块，所述数据处理模块执行所述的大气污染物溯源排查方法；所述通讯模块用于实现数据交互。
[0044]
一种基于智能路灯的大气污染物溯源排查系统，包括可视化平台和若干大气污染物溯源排查终端，其中，可视化平台作为中心服务器，大气污染物溯源排查终端作为子服务器；所述中心服务器与所有子服务器之间进行数据交互，每个子服务器均具有独立分析大气污染数据及与邻居子服务器进行自组网的功能。
[0045]
具体实施例，如图1、图2所示，
[0046]
一种基于智能路灯的大气污染物溯源排查系统，包括可视化平台和若干大气污染物溯源排查终端，每个大气污染物溯源排查终端均安装在智慧灯杆上，智慧灯杆依次设定
为d1、d2、
…
、di、
…
、dn，其中，i、n均为正整数，可视化平台作为中心服务器，大气污染物溯源排查终端作为子服务器；所述中心服务器与所有子服务器之间进行数据交互，每个子服务器均具有独立分析大气污染数据及与邻居子服务器进行自组网的功能。
[0047]
所述大气污染物溯源排查终端包括智慧灯杆感知模块、5g传输模块、模型推算模块，其中，智慧灯杆感知模块包括但不限于高精度定位传感器、定时器、风速风向传感器、多组分污染物监测仪、降雨、空气湿度、各类污染物浓度等设备，用于采集耦合时空参数与近地大气动力学状态的大气污染传感大数据；模型推算模块包括基于深度学习的高斯修正模型、卷积神经网络模型，具有边缘ai计算能力，按照大气污染物溯源排查方法的过程对智慧灯杆感知模块采集的数据进行处理，并将处理结果通过5g传输模块输出至可视化平台。
[0048]
所述5g传输模块包括部署在智慧灯杆的通讯基站、同步时钟源与智能网关，用于传输统一时间戳下的耦合时空动力学信息的近地大气污染物数据、高维语义提取特征、污染源推理结果等信息，实现不同区域智能灯杆作为感知节点实现互联互通，构建数据共享驱动的分布式智能感知网络。
[0049]
所述可视化平台为gis可视化平台，接入智慧灯杆分布式感知网络，利用数字孪生的方法直观输出污染源位置以及不同大气污染物长时序动态扩散过程。通过分布式时空数据联邦学习与近地大气污染扩散模型相结合的方法，实现污染物扩散推演及溯源。
[0050]
该大气污染物溯源排查系统的溯源排查方法，具体包括如下步骤：
[0051]
第一步、应用安装在智慧灯杆d1、d2、
…
、di、
…
、dn上的感知模块获取每个智慧灯杆周围的各类传感器数据，并赋予以时间戳和位置戳，构建基于智慧灯杆和gis可视化平台之间的分布式感知网络；并基于tcp/ip握手协议实现分布式感知网络的数据共享交互。
[0052]
第二步、gis可视化平台向每个智慧灯杆的终端发送初始的卷积神经网络模型和基于深度学习的高斯修正模型，每个智慧灯杆上的终端构建原始卷积神经网络模型，结合自身传感器数据对各自灯杆的卷积神经网络模型进行深度学习；
[0053]
第三步、应用基于深度学习的高斯修正模型对邻居智慧灯杆的传感器数据进行预测，获取并输出周边大气浓度及污染源预测信息；
[0054]
预测时，当前环境中风速、湿度、是否降雨都会对基于深度学习的高斯修正模型产生影响，且均为非线性变化的状态。其基于深度学习的高斯修正模型的具体表示如下：
[0055]ri
＝(b,vi,c
ij
)，其中，ri为智慧灯杆di与污染物扩散中心的相对距离，b＝(vi,hi,f)是基于深度学习的高斯修正模型内参数，vi为智慧灯杆di检测的风速，hi为智慧灯杆di检测的湿度，f为是否降雨，c
ij
为智慧灯杆di检测的第j种污染物浓度，i、j均为正整数。所述基于深度学习的高斯修正模型内参数b的初始值来源为历史大数据收集，训练过程中为动态更新的值，根据邻居传感器数据计算获取，并且在每完成一轮训练后，均获取距离最近的至少3个智慧灯杆的当前传感器数据进行验证；
[0056]
同时按照如下公式计算单位时间内污染物排放量q：
[0057]
q＝2πc
ij
*v*σy*σz/{e^(-y2/2σ
y2
)*{e^[-(z-h)2/2σ
y2
]+e^[-(z+h)2/2σ
z2
]}}
[0058]
其中，v为排放口处平均风速，σy为横向扩散系数，σz为垂直扩散系数，y为污染物扩散中心到下风方向的最近的灯杆的水平距离，z为y所要求的灯杆的离地高度，h为污染物扩散中心的高度。
[0059]
第四步、根据邻居传感器数据值更新自身卷积神经网络模型的训练权值，应用当
前自身传感器数据对各自的卷积神经网络模型进行训练，并更新基于深度学习的高斯修正模型内参数；每个智慧灯杆的终端收集自身带有时间戳和空间戳的大气数据，接收临近智慧灯杆终端的检测数据，根据中心服务器提供的训练权重值和临近智慧灯杆终端的检测数据，计算并调整训练权重，重新训练并更新模型内参数，将处理好的数据模型返回至中心服务器。向中心服务器发送数据时，由于数据量较大，为避免发送接收时出现数据丢失，应考虑先将数据压缩为数据包的形式，再通过多次发送至中心服务器。
[0060]
进一步的，该步骤中还可以包括预测数据判断的过程，即接收由其他灯杆传来的检测数据，与训练出的数据对比，当两者之间的误差值在预先设定的阈值范围之内，将预测值发送至中心服务器，否则，不发送，继续调整权重，直至训练出的模型内参数满足其预测值符合周围灯杆检测数据。
[0061]
第五步、所述中心服务器接收多个子服务器的污染源预测信息，构建联邦学习神经网络模型，对智慧灯杆覆盖范围污染源进行全局搜索，确定最终污染源位置，并向各智慧灯杆的卷积神经网络模型反馈结果。
[0062]
如图2所示，在一个区域内，具有多个普通灯杆，将001号-004号灯杆安装该方案的终端作为智慧灯杆，001号终端在进行数据处理时，实时获取自身传感器数据和002-004号终端的传感器数据，首先接收自身传感器的数据进行卷积神经网络模型，然后应用基于深度学习的高斯修正模型对002-004号终端进行预测，获取002-004号终端的大气浓度及污染源预测信息，并判断预测值与002-004号终端的实际传感器数值的误差，如果误差范围在阈值之内，将预测值发送至中心服务器，如果误差较大，根据002-004号终端的传感器数值计算自身卷积神经网络模型的训练权值，并根据新的权值进行训练，更新基于深度学习的高斯修正模型内参数，重复上述过程直至达到误差范围。其他终端的工作过程相同。
[0063]
下表1所列出的数据为根据所述的方法对四根智慧灯杆相对于多个不同距离污染源所做出的预测值以及与真实值之间的误差，所有的距离单位均为米，其中，
[0064]
第一列是灯杆的编号分别对应001-004；第二列是我们预设的多个污染源相对四个智慧灯杆的距离；第三列是通过卷积神经网络更新后的基于深度学习的高斯修正模型推测出的污染源距离灯杆的位置；第四列为预测值和预设值的相对误差。
[0065]
表1中仅列出几组数据，为了举例说明并验证该方法所获取的结果。从表1的误差值可以看出，最大的数值也是出现在小数点后第二位上，因此，可以看出，应用该方法所预测的精准度是非常高的。随着数据量以及运行时间的不断增加，该系统的预测精确度会越来越高。
[0066]
表1
[0067]
灯杆编号真实相对距离预测值误差12019.480950.02664425048.724260.02618334039.386460.01557747069.312960.00991214039.277160.01840422019.670160.0167683109.5349270.048776
45049.971580.00056916059.878530.00202922019.129720.0454943109.3253070.07235143029.946760.00177816059.401780.01007123028.688220.0457253109.6623530.03494542019.155490.04408715049.309980.01399424039.72440.00693838078.830780.01483242019.593210.02076214039.48940.0129323028.704730.04512434039.075580.02365747068.660550.019508
[0068]
为了提升周边浓度估计与污染源预测追踪的精准度，可以增加智慧灯杆的数量，将该方案的终端安装在相应的普通灯杆上即可实现。
[0069]
所述中心服务器控制各子服务器的开关，评估各个子服务器的性能，为提供各个子服务器提供训练权重，处理各个子服务器提供的数据包，由于检测距离存在阈值，中心服务器需要读取数据判断子服务器是否超出阈值，并选择后续进行处理的子服务器。
[0070]
各智慧灯杆终端训练结束后，将训练模型与训练数据上传中心服务器，由于存在建筑物遮挡与扩散阈值问题，最终由中心服务器根据各智慧灯杆预测准确率以及最终预测结果重新确认最终污染物扩散中心，并上传至可视化界面。
[0071]
为了更进一步提高预测精度，该污染源的溯源预测方法，在确定了污染源及类型浓度等信息后，还可进一步通过无人机或无人车搭载污染检测设备对污染源进行更精细化检测排查，确定其预测的准确性。
[0072]
应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0073]
在本技术中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本技术及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
[0074]
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领
域普通技术人员而言，可以根据具体情况理解这些术语在本技术中的具体含义。
[0075]
以上对本发明的较佳实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围。